科學家教導神經網路辨識電腦使用者的疲勞程度
背景
來自聖彼得堡大學、聖彼得堡聯邦科學院俄羅斯科學院和其他組織的科學家研究團隊，已經建立了一個關於電腦螢幕上物體監控操作員的眼動策略資料庫，其中包含了他們在不同狀態（疲勞/警覺）下的眼動策略。根據這些收集到的資料，科學家們計劃訓練神經網路模型，作為確保道路和工業設施安全的高精度功能狀態追蹤系統的基礎。當今許多運輸、工業和國防設施都由操作員、駕駛員或整個專業團隊在統一的訊息中心工作。確保這些設施的安全通常取決於員工的心理生理狀態。受益於這樣系統的專業人士包括：車隊司機、飛機飛行員、航空交通管制員、工業廠區操作員，等等。
方法與結果
科學家們同時記錄了一組行為和神經生理指標。他們的發現發表在《感測器》雜誌上。聖彼得堡大學認知研究所的生物科學博士、教授 Irina Shoshina 表示：“一種綜合方法相對於單獨記錄某些反映疲勞狀態指標的方法，提供了更全面的影象和更客觀的功能狀態評估。因此一種用於記錄疲勞的心率指標的方法在狀態評估精確性方面相當有爭議。它是基於心率指標的記錄。”她補充說：“我們使用基於比較眼動性質指標的獨特方法。眼動反映了靜態和動態視覺神經網路與功能狀態和心理測試的心理生理指標之間的相互作用動態。”
科學家們計劃使用這個資料庫來訓練一個神經網路，根據眼動策略高精確度地檢測操作員的疲勞狀態。Irina Shoshina 表示這個方法將能夠遠端評估疲勞的程度。該準備好的資料庫是公開的，對所有軟體開發者都可存取，他們可以用它來測試他們的產品。聖彼得堡聯邦科學院的研究副研究員、無人作業系統實驗室高級研究員 Alexey Kashevnik 表示："我們開發了一個全面的資料庫，適合用於訓練能夠將人的狀態分類為疲勞或警覺的神經網路。這個收集到的資料庫具有不同的標記指標的獨特集合。透過使用它們，您可以訓練神經網路以高精確度地識別人的疲勞狀態。
方法與發現詳述
研究使用了多種儀器來收集反映功能狀態的指標，包括：影片攝影機、眼動追蹤器、心率監測器和腦電圖。此外在實驗的一部分，操作員還進行了睡眠質量、疲勞、複雜視覺運動反應等方面的測試。這些測量是在工作日的早上、下午和晚上進行的。整個過程被記錄在一臺攝像機上。研究持續了八天，涉及了 10 名從事各種活動的參與者，包括被動活動（閱讀）和主動活動（玩俄羅斯方塊）。
評述與建議
這項研究有助於打造一個高精確度的遠端疲勞檢測系統，為一些關鍵的工業和交通設施提供更高的安全性和可靠性。然而我們需要思考和討論這項技術可能帶來的倫理和隱私問題。
對於技術應用的建議，政府和相關機構應該監管使用這些神經網路辨識技術的行業，確保適當的隱私保護措施得以實施。同時相關機構應該與科學家合作，持續監測技術的發展，以應對可能出現的風險和約束其濫用的能力。此外對這項技術和科學家們所開發的資料庫進行進一步的研究和取證也是非常重要的，以確保其可靠性和精確性。
結論
科學家們成功地教導了一個神經網路來辨識電腦使用者的疲勞程度。這項技術將有助於確保運輸、工業和國防等領域的安全性。然而在應用這項技術時，我們必須仔細思考和討論其帶來的倫理和隱私問題。政府和相關機構應該監管這些技術的使用，並確保適當的隱私保護措施得以實施。
延伸閱讀
- 安德烈·卡帕西的新創企業旨在將 AI 助教應用於教育 + 深度學習頂尖科學家打造 AI 助教 - 攜手 Tesla 和 OpenAI
- 前 OpenAI 首席科學家 Ilya Sutskever 推出新人工智慧公司
- Google Deepmind 推出巨大的 AlphaFold 更新和免費蛋白質組學服務網路應用程式
- 麻省理工學院科學家開發振動減肥藥
- 研究發現：深度神經網路和我們的視覺方式不同
- 科學家透過對抗式持續學習，推進聲音病理學檢測
- 研究人員開發基因組學的神經網路，解釋其如何實現準確預測
- 科學家開始利用 ChatGPT 背後的技術來構建科學發現的人工智慧
- 研究人員開創基因組神經網路，解釋其達到準確預測的方式
- 馬斯克的神經網路猴子可怕死亡的詳細內容曝光
